非線(xiàn)性時(shí)變系統(tǒng)的時(shí)變高階神經(jīng)網(wǎng)絡(luò)建模.pdf

1、非線(xiàn)性時(shí)變系統(tǒng)因其復(fù)雜的動(dòng)態(tài)特性而難以建模。神經(jīng)網(wǎng)絡(luò)是一個(gè)黑箱模型,它作為一個(gè)強(qiáng)大的函數(shù)逼近工具,被廣泛應(yīng)用于非線(xiàn)性系統(tǒng)的建模。然而,常規(guī)的神經(jīng)網(wǎng)絡(luò)和當(dāng)前普遍采用的辨識(shí)算法能力有限,在辨識(shí)復(fù)雜非線(xiàn)性時(shí)變系統(tǒng)時(shí)精度受到限制,特別是在訓(xùn)練數(shù)據(jù)受到噪聲影響后,辨識(shí)算法很難保證精確跟蹤。迭代學(xué)習(xí)辨識(shí)是從迭代控制理論中發(fā)展出來(lái)一種辨識(shí)方法,它在每個(gè)采樣時(shí)間點(diǎn)對(duì)系統(tǒng)的映射關(guān)系進(jìn)行重復(fù)學(xué)習(xí),能夠完成系統(tǒng)參數(shù)的完全辨識(shí)任務(wù),因此適合強(qiáng)非線(xiàn)性時(shí)變系統(tǒng)的高

2、精度建模。本文在引入時(shí)變高階神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,討論了非線(xiàn)性時(shí)變系統(tǒng)的迭代學(xué)習(xí)辨識(shí)方法和策略。主要工作包括以下幾個(gè)方面:
　　 1.在常規(guī)徑向基函數(shù)網(wǎng)絡(luò)基礎(chǔ)上,采用減聚類(lèi)算法確定網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目,構(gòu)建一種時(shí)變高階徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。推導(dǎo)了一種帶死區(qū)的迭代學(xué)習(xí)算法來(lái)訓(xùn)練該網(wǎng)絡(luò)。在已知建模精度或誤差噪聲上限的情況下,算法能使每個(gè)時(shí)間點(diǎn)的跟蹤誤差收斂在以零點(diǎn)為中心的某個(gè)單位圓內(nèi)。通過(guò)為相同系統(tǒng)建模,對(duì)比了定常徑向基函數(shù)網(wǎng)絡(luò)和時(shí)變高階

3、基函數(shù)神經(jīng)網(wǎng)絡(luò)的建模能力,說(shuō)明了時(shí)變高階神經(jīng)網(wǎng)絡(luò)在高精度建模上的有效性。
　　 2.考慮到徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)構(gòu)建的辨識(shí)模型隱層神經(jīng)元數(shù)量較多,引入一種時(shí)變Volterra高階神經(jīng)網(wǎng)絡(luò)為非線(xiàn)性時(shí)變系統(tǒng)建模,采用帶死區(qū)的迭代最小二乘學(xué)習(xí)算法,為一個(gè)復(fù)雜的非線(xiàn)性時(shí)變系統(tǒng)建模。Volterra高階網(wǎng)絡(luò)隱層神經(jīng)元存在“維數(shù)爆炸”的缺陷,利用正交最小二乘算法可選擇出有效回歸項(xiàng),減少辨識(shí)所用隱層神經(jīng)元的數(shù)目。最后,將引入時(shí)間因子t的定常Vol